Hierarchical Clustering）是对给定数据集在不同层次进行划分，形成树形的聚类结构，直到满足某种停止条件为止。数据集的划分可采用自底向上或自顶向下的划分策略。
1、AGNES
1）最小距离single/word-linkage（SL聚类）
2）最大距离complete-linkage（CL聚类）
3）平均距离average-linkage（AL聚类）
4）中值距离median-linkage
AL更能消除个别偏离样本对结果的干扰。
2、分裂的层次聚类算法DIANA
c中计算两两样本之间的距离，找出距离最远的两个样本a、b；
a、b分配到不同的类簇c1、c2中；
c中剩余的其他样本分别和a、b的距离，若dist(a)<dist(b)，则将样本分入c1中，否则分入c2中。
/分裂点的选择不太容易；
/分裂点的操作不能进行撤销；
O(t*m2)，t为迭代次数，m为样本数量。
3、平衡迭代削减聚类法BIRCH
1）扫描数据集，动态建立一棵CF-Tree存放在内存中；
2）若内存不够，则增大阈值T，在原树的基础上构建一棵比较小的树；
3）对CF-Tree叶节点使用全局性的聚类算法如K-means等，以消除由于样本读入顺序导致的不合理的树结构，改进聚类质量。
Cluster Feature指的是一个满足线性关系的三元组（N,LS,SS），其中：
CF-Tree的每一个节点由若干CF组成，内部节点指向叶节点，所有的叶节点用一个双向链表链接起来。由于CF满足线性关系，因此CF-Tree父节点中的每个CF三元组的值等于它所指向的子节点的所有CF三元组之和。CF-Tree的构建是动态的，可以随时根据新增数据对树模型进行更新。
CF-Tree是空的，没有任何样本。读入第一个样本，生成这个节点的第一个CF三元组，此时N=1，令它为CF1。
CF1的距离小于T，那么这个样本也归入CF1（N=2），更新其三元组数据；如果大于T，则此节点新增一个CF三元组CF2，这个样本作为CF2中的首个样本（N=1）。
CF的距离，如果都大于T，则生成一个新的CF；但是如果此时叶CF总个数大于L，就需要对该叶
CF之间的距离最大的两个CF，分别作为两个新叶节点的CF，再计算其余CF到这两个CF之间的距离，将原叶节点的数据划分到这两个新叶节点中。
CF总数超过B，则该内部节点需要进行分裂，分裂方式和叶节点分裂方式相同。
T并重建树，直到所有样本均进入CF树为止。
I/O花费与数据量呈线性关系）；
CF-Tree后将包含数据点少的子簇剔除；
3）采用多阶段聚类技术，单次扫描产生基本的聚类，多次扫描改善聚类质量；
4）是一种增量的聚类方法，对每个点的决策基于当前已经处理过的点；
5）由于CF-Tree对每个节点的CF个数有限制，导致聚类的结果可能和真实的分布不同；
6）由于CF-Tree各节点阈值相同，只适合体积相差不大的簇之间的聚类，对体积相差较大的簇聚类的效果不是很好。因此可以引入多阈值BIRCH算法，为每个簇设一个阈值，将CF表示为四元组（N,LS,SS,T）；
7）只适合分布呈凸形或者超球形的数据集，因为使用了半径或直径的概念来控制聚类的边界；
8）对高维特征的数据聚类效果不好，此时可选择Mini Batch K-means。
9）BIRCH算法过程一旦中断，必须从头再来。
4、使用代表点的聚类法CURE
S；
S进行分区，在内存中对每个分区分别进行局部聚类；
CURE算法的时间复杂度较高，可以使用堆、k-d树、随机抽样和分区等技术改善效率；CURE的聚类效果受参数的影响较大，如随机抽样的比例、聚类个数、收缩因子的设定等。